2026-09-02 每日 arXiv 资讯¶

高相关论文 5 篇 · 中相关 39 篇 · 其他 31 篇 · 会议/Seminar 事件 0 条

✍️ 手动录入的论文（精读）¶

你手动录入（粘贴 arXiv 链接 / 标题）申请精读、或收藏后补读的论文，由当天的定时任务精读。点标题旁的 🔍 精读 查看解读。

天体统计 (astrostats, 1 篇)¶

1. 2608.27637 — Toward a realistic test of black-hole movie correlations as a probe of extreme lensing¶

作者: Barbora Bezděková, Shahar Hadar
相关性 3/10 · novelty: application
摘要: 本文研究如何利用黑洞电影（时间序列图像）中的两点时空相关函数来探测极端引力透镜效应，这是对先前模拟工作的进一步推进。作者在一般相对论磁流体动力学模拟生成的电影基础上，系统考察了多种观测限制（如有限角分辨率、时间采样间隔、噪声等）对相关函数中透镜特征识别能力的影响。方法核心是计算电影中像素强度波动的时空相关函数，并分析其在不同模糊程度和采样条件下的退化情况。主要理论结果是通过模拟实验表明，所考察的数据退化类型本身并不妨碍通过相关测量识别极端透镜效应。实证部分给出了对M87和Sgr A两个主要观测目标的观测需求估算：M87可能需要连续监测约2年以上，Sgr A则需要每分钟至少一帧的采样率。最后，作者提出了一种降维分析方法，将五维配置空间上的完整相关函数压缩为二维直方图，可用于黑洞参数推断。本文作为天文统计学的入门读物，清晰阐述了数据生成过程（模拟、模糊、采样）和模型假设（光学薄、透镜延迟），对统计学家理解黑洞成像的数据结构很有帮助。
关键技术: spatiotemporal correlation function, gravitational lensing, ray tracing, GRMHD simulation, very-long-baseline interferometry (VLBI), data reduction via histogram
为什么对您有用: 本文属于astrostats的gateway reading，适合作为统计学家进入黑洞成像数据分析的入门材料。武器库中'nonparametric statistics'和'high-dimensional asymptotics'可用于理解相关函数估计的收敛性和不确定性，但核心问题（极端透镜效应的信号检测）目前不在武器库的直接射程内——暂不可做，因为缺乏对VLBI成像噪声模型和黑洞物理先验的领域知识。不过本文的降维思路（五维→二维直方图）与higher-order U-statistics的einsum压缩有概念上的可迁移性，值得花时间读全文以拓宽视野。

⭐ 高相关论文（按主题分组）¶

因果推断 (causal_inference, 5 篇)¶

1. 2608.28797 — Nonparametric Efficient Estimation of Dynamic Treatment Regimes with Competing Risks¶

作者: Nitya Shah, Laura D. Carbone, Howard A. Fink, John T. Schousboe, Jared D. Huling
分类: stat.ME
相关性 8/10 · novelty: new_method
摘要: 本文在动态治疗策略（DTR）框架下，针对存在竞争风险（如死亡）和右删失的纵向观察性数据，研究累积发病率的非参数有效估计。目标估计量是给定DTR下事件（如骨折）的累积发病率，需处理时变混杂、竞争风险和样本量随时间衰减的问题。作者首先推导了该估计量的有效影响函数（EIF），建立了半参数效率界。基于EIF，提出了一种序贯双重稳健估计量，允许使用灵活的机器学习估计 nuisance 参数（如治疗机制、删失机制、结局回归），同时保持根n一致性和渐近正态性。该估计量结合了交叉拟合（cross-fitting）和正交评分（orthogonal score）技术，以降低对 nuisance 估计精度的敏感性。模拟和实际数据分析（骨质疏松药物假期策略对骨折风险的影响）验证了方法的有限样本性能。对您而言，本文直接连接了纵向因果推断、半参数效率理论和竞争风险设定，您可以用熟悉的非参数统计和因果推断工具（如交叉拟合、EIF推导）来理解甚至扩展其方法。
关键技术: efficient influence function, sequentially doubly robust estimation, cross-fitting, dynamic treatment regimes, competing risks, semiparametric efficiency bound
为什么对您有用: 本文直接连接您的 primary interest 中的纵向因果推断和半参数效率理论，具体在竞争风险这一常见但方法学复杂的设定下。您的 technical_arsenal 中 very_familiar 的 estimation theory in causal inference 和 nonparametric statistics 可直接用于理解其 EIF 推导和双重稳健估计结构；moderately_familiar 的 semiparametric theory 和 identification theory 可进一步用于评估其效率界是否紧或能否推广到更复杂的 DTR。中期可做：若想将本文的序贯双重稳健思想与您熟悉的 higher-order U-statistics 结合（例如分析高阶 nuisance 估计的影响），需先在 moderately_familiar 的 HOIF 上长肌肉。

2. 2608.28943 — Saturation in G: simple & robust causal inference in cluster randomized trials with informative cluster sizes¶

作者: Kenneth M. Lee, Michael O. Harhay, Fan Li
分类: stat.ME
相关性 8/10 · novelty: new_method
摘要: 本文针对集群随机试验（CRT）中信息性集群大小（ICS）导致个体平均处理效应（iATE）与集群平均处理效应（cATE）发散的问题，提出了一种简单且稳健的推断方法CS-g。核心思路是在加权线性混合效应模型（LMM）或广义估计方程（GEE）中，饱和地加入集群大小的主效应及其与处理的交互项，然后通过g-computation标准化到目标边际效应。理论证明，即使集群大小项的函数形式被错误设定，该估计量仍能一致估计iATE和cATE，且与模型稳健的标准化估计量在有限样本下精确等价。模拟显示CS-g在连续和二元结局下均无偏、比现有一致估计量更有效，且检验ICS的统计功效更高。该方法不依赖复杂的非参数或高维工具，仅需标准软件即可实现，对您从事的因果推断应用（尤其是流行病学CRT分析）具有直接参考价值。
关键技术: g-computation, cluster-size saturated model, linear mixed-effects model, generalized estimating equation, informative cluster size, marginal treatment effect
为什么对您有用: 本文直接对应您primary interest中的因果推断（纵向/集群随机试验）和流行病学应用。CS-g方法的核心——通过饱和调整集群大小实现稳健推断——与您武器库中'因果推断中的估计理论'和'M估计理论'高度契合，可立即用您熟悉的非参数统计和软件工具复现或扩展（例如，将g-computation替换为TMLE以提升效率）。中期可做：若将CS-g推广到更复杂的纵向结构（如时变处理），需先在'identification theory in causal inference'上加强。

3. 2608.29735 — A Unified Approach to Interpretable Causal Root Cause Attribution¶

作者: Jing Zhou, Dominik Janzing, Sepp Tsang, Patrick Bl\"obaum, Marco Visentini Scarzanella
分类: stat.ME · stat.AP
相关性 8/10 · novelty: application
摘要: 本文研究电商系统中目标指标变化的根因归因问题，目标是在可解释性、计算效率和因果有效性之间取得平衡。首先，作者将指标分解方法扩展为递归的指标树框架，用于多层级根因分析，但该方法依赖独立性和可分解性假设，无法捕捉复杂因果依赖。相比之下，图因果模型（GCM）放松了这些假设，提升了因果有效性，但牺牲了可解释性，且计算和数据需求更高，并可能存在归因目标错配。通过实际应用、数学证明和模拟，作者刻画了这些权衡的根本来源。基于这些洞见，提出了一种统一的、因果信息驱动的归因方法，将结构因果信息融入指标树分解框架，并纠正了GCM归因中的关键错配来源，在保持可解释性和快速计算的同时显著提升了因果有效性。理论证明和模拟表明该方法产生更准确的根因归因，并给出了实际应用案例。对您而言，本文连接了因果推断中的识别与归因问题，特别是结构因果模型与可解释性之间的张力，属于应用导向的因果方法工作。
关键技术: metric-tree decomposition, graphical causal models (GCMs), structural causal information, root cause attribution, causal validity
为什么对您有用: 本文属于因果推断的应用方向，具体涉及结构因果模型在归因问题中的实际部署与权衡分析。您的武器库中'identification theory in causal inference'和'estimation theory in causal inference'可以直接用于评估其因果有效性声称的严谨性；但本文更偏向应用框架而非新理论，属于中期可做——若您想深入该方向，需先在'moderately_familiar'的identification theory上进一步熟悉结构因果模型的识别条件。

4. 2608.28867 — Max-Stable Survival Copulas under Dependent Censoring: Sharp Identification and Efficient Inference¶

作者: Djibril Gueye, Salima Helali, Modou Wade
分类: math.ST · stat.TH
相关性 8/10 · novelty: new_theory
摘要: 本文在广义Cox首次击中时间框架下研究相依删失问题，目标是在删失时间与生存时间相依时识别和估计生存函数。核心发现是：生存copula的最大稳定性等价于一个共同的操作时钟，这导出了一个非参数Marshall-Olkin族。在完全观测和二元观测方案下，作者建立了sharp识别结果：二元观测下共同时钟和事件载荷可点识别，而删失载荷及潜在生存和相依结构仅部分识别。估计方面，对可识别分量提出了非参数估计和推断方法，推导了有效受限估计量，并构造了最大稳定兼容性的可检验假设。模拟和真实数据应用验证了识别和效率结果的实际意义。对您而言，该文的相依删失识别策略和部分识别下的有效推断方法可直接用于您因果推断中纵向数据或IV设定下的敏感性分析。
关键技术: compensator reduction, Marshall-Olkin copula, partial identification, efficient restricted estimator, sharp identification bounds, nonparametric survival estimation
为什么对您有用: (1) 直接连接到您primary interest中的因果推断（纵向/删失数据）和semiparametric theory——相依删失是因果推断中常见但难处理的识别问题，本文的sharp identification和部分识别框架可迁移至您关注的proximal CI或IV设定。(2) 武器库中very_familiar的nonparametric statistics和estimation theory in causal inference可直接用于理解其非参数估计量和部分识别界的构造；moderately_familiar的identification theory in causal inference可帮助评估其识别假设在实际流行病学队列中的合理性。(3) 中期可做：若想将本文的Marshall-Olkin copula框架推广至更一般的因果结构（如带有time-varying confounders的纵向设定），需先在moderately_familiar的semiparametric theory上长肌肉——具体是掌握带删失数据的EIF推导和cross-fitting技巧。

5. 2608.28867 — Max-Stable Survival Copulas under Dependent Censoring: Sharp Identification and Efficient Inference¶

作者: Djibril Gueye, Salima Helali, Modou Wade
分类: math.ST · stat.TH
相关性 8/10 · novelty: new_method
摘要: 本文在广义Cox首次击中时间框架下研究相依删失问题，目标是在删失时间与失效时间相依时识别和推断生存联合分布。核心设定是生存copula满足max-stable性质，这等价于一个共同的操作时钟，从而导出非参数Marshall-Olkin族。在完全观测和二元观测方案下，作者建立了sharp识别结果：二元观测下共同时钟和事件载荷点识别，而删失载荷及潜在生存和相依结构仅部分识别。方法上，对可识别分量发展了非参数估计和推断，构造了有效限制性估计量（efficient restricted estimator），并提出了一个可检验的max-stable相容性检验。模拟和实际数据应用展示了识别和效率结果的实际意义。对您而言，本文的相依删失设定与纵向因果推断中的竞争风险问题紧密相关，其sharp识别和效率理论可直接迁移到proximal causal inference中的负对照设定。
关键技术: max-stable survival copula, Marshall-Olkin family, sharp identification, efficient restricted estimator, compensator reduction, dependent censoring
为什么对您有用: (1) 直接连接primary interest中的因果推断（纵向/删失数据）和semiparametric efficiency theory——本文在相依删失下给出了sharp识别和有效估计，是proximal CI中负对照假设下处理删失问题的自然延伸。 (2) 武器库中very_familiar的nonparametric statistics和minimax bounds可用于验证其提出的efficient restricted estimator是否达到半参有效界，moderately_familiar的semiparametric theory可直接用于理解其效率推导。 (3) 中期可做：需先在moderately_familiar的identification theory in causal inference上长肌肉（具体为proximal CI的负对照识别框架），然后可将本文的max-stable copula工具引入纵向因果推断中的删失问题。

📌 中相关论文（按主题分组）¶

因果推断 (causal_inference, 7 篇)¶

1. 2608.28839 — Orthogonal Validation-Augmented Cox Regression with Internally Validated Failure Indicators Cross-Fitted Estimation, Risk-Set Linearization, and Validation Design¶

作者: Subir Hait
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文针对生存分析中金标准事件指示变量仅在内部验证样本中可得的场景（不完整判定与终点误分类），提出正交验证增强Cox回归（OVAC）。该方法采用交叉拟合的增强伪事件替代缺失的事件指示变量，并显式保留Cox风险集均值的估计贡献项。该风险集项源自全数据影响函数通过验证机制的投影，与观测数据有效影响函数（EIF）直接关联。得分函数具有精确乘积形式的干扰漂移，在乘积率条件下实现双重稳健识别、Neyman正交性和根n推断。模拟实验中，全方差SE/SD比值为0.997和0.992，95%覆盖率为0.955和0.948；与逆概率加权（IPW）相比，OVAC将经验方差降低38.8%和37.7%。该方法为Cox回归提供了机器学习兼容的估计框架，并给出了验证设计指导。
关键技术: cross-fitting, augmented pseudo-event, efficient influence function, Neyman orthogonality, double robustness, risk-set linearization
为什么对您有用: 本文直接连接您对因果推断中测量误差/验证样本问题的兴趣，特别是纵向数据中终点误分类的偏差校正。您武器库中'因果推断中的估计理论'和'交叉拟合'可直接用于理解其正交得分机制；'半参数理论'（moderately_familiar）可用于验证其EIF推导是否最优。中期可做：若想将类似思路推广至竞争风险或时变协变量场景，需先在'semiparametric theory'上提升熟练度。

2. 2608.29614 — Prognosis-equivalent mapping of clinical measurements via survival analysis¶

作者: Kazuharu Harada, Mitsunori Ogawa
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文提出预后等价映射（prognosis-equivalent mapping）框架，用于处理连续临床测量值在不同患者亚组（如年龄）间预后意义不同的问题。目标是将某修饰因子水平下的测量值映射到参考水平下具有相同条件预后量的值，核心操作是等化一个单调的条件预后评分并反转参考侧曲线。在观察性数据中，由于治疗可能根据修饰因子和测量值选择，直接等化-反转程序可能混杂治疗分配差异，因此作者定义了政策标准化映射（policy-standardized mapping），通过g-formula在共同治疗策略下标准化。还引入了原点参考映射（origin-referenced mapping），从共同锚点比较预后评分变化，以分离修饰因子特异预后水平与测量-预后关系的修饰依赖性。基于Cox模型，开发了线性和灵活的逆推估计量，并给出解析和bootstrap置信带。模拟评估了有限样本性能，展示了治疗标准化和原点参考如何澄清映射内容。该工作直接连接因果推断中的g-formula标准化和修饰效应分解，对您处理纵向或异质性因果效应问题有参考价值。
关键技术: g-formula standardization, Cox proportional hazards model, inversion estimator, bootstrap confidence bands, policy-standardized mapping, origin-referenced mapping
为什么对您有用: 本文直接连接您的因果推断兴趣中的修饰效应与标准化方法，特别是g-formula在观察性数据中处理治疗选择偏倚的应用。您武器库中的非参数统计和因果推断估计理论可用于分析其逆推估计量的半参效率界，或提出更灵活的基于机器学习（如DML）的版本。中期可做：需先在semiparametric theory上巩固，以推导该映射的efficient influence function。

3. 2608.30099 — Causal inference with staggered entries and effects that change over calendar time¶

作者: Lorenzo Gasparollo, Mats J. Stensrud
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文研究 staggered entry（个体在不同日历时间入组）的纵向研究中，因固定行政截止日期导致的右删失问题。作者指出，在条件于入组时间 E 的删失假设下，由于 positivity 违背，传统的 marginal structural models 等因果生存分析方法失效。文章给出了在 positivity 违背下 valid identification 的条件，并引入了敏感性分析方法来评估实际影响。通过两个案例（zidovudine 治疗对 HIV 的影响、mRNA 疫苗对免疫检查点抑制剂患者的效果）展示了方法的实用性。对您而言，该工作直接关联 causal inference 中 longitudinal 和 sensitivity analysis 的子方向，且其 positivity 违背的识别问题可尝试用您熟悉的 nonparametric 或 high-dimensional 工具（如 inverse problems）来刻画 bias 的 sharp bound。
关键技术: positivity violation, marginal structural models, sensitivity analysis, right-censoring, staggered entry
为什么对您有用: 直接关联 primary interest 中 causal inference 的 longitudinal 和 sensitivity analysis 子方向。您可以用 very_familiar 的 nonparametric statistics 和 minimax bounds 来刻画 positivity 违背下 bias 的 sharp bound，这是立即可做的 follow-up。

4. 2608.30412 — Power and sample size calculations for causal mediation analysis with a binary mediator in randomized trials¶

作者: Bosen Cui, Yuhong Yang, Fan Yang
分类: stat.ME
相关性 7/10 · novelty: new_method
摘要: 本文针对随机试验中二元中介变量下的因果中介分析，推导了自然间接效应（NIE）和自然直接效应（NDE）的解析功效与样本量公式。在标准识别假设下，聚焦于无需结果模型的比率-中介-概率加权（RMPW）估计量，将其oracle方差分解为中介概率比变异性、结果变异及其协方差项（NIE额外包含共享臂协方差项）。通过probit潜指数中介模型和工作结果模型，将方差分量表达为少量可解释的设计参数（而非完整联合分布）的函数。模拟表明解析样本量接近模拟基准，达到目标功效并控制I类错误。ACTG175实例展示了如何用预试验数据校准输入参数。对您而言，该工作直接服务于您因果推断兴趣中的中介分析子方向，且其解析方差分解思路可迁移至您熟悉的非参数统计与M估计框架中，用于设计阶段功效评估。
关键技术: ratio-of-mediator-probability weighting (RMPW), oracle variance decomposition, probit latent-index model, analytic power formula, sample size calculation
为什么对您有用: 直接连接您因果推断兴趣中的中介分析子方向。您武器库中'非参数统计'和'M估计理论'可用来检验其方差分解在更弱假设下的稳健性，或扩展至连续中介变量。中期可做：需先在'moderately_familiar'的'identification theory in causal inference'上巩固对中介识别假设的理解。

5. 2608.29857 — Worst-Case Win Ratios Under Partially Specified Outcome Hierarchies¶

作者: Kexuan Li, Xue Fan, Lingli Yang
分类: stat.ME
相关性 6/10 · novelty: new_method
摘要: 本文针对临床结局层次（outcome hierarchy）部分未指定时的 win ratio 分析问题，提出了一种最坏情况下的推断方法。目标 estimand 是协议允许的所有比较规则中最小净收益（smallest net benefit），每个规则基于两样本 U-统计量。方法核心是构造 intersection-union 检验并反演得到单侧下置信界，无需对多重性进行调整即可声称所有个体净收益均为正。大样本理论覆盖有限规则列表和连续阈值范围两种情况。模拟验证了单侧覆盖的有效性，并展示了单一选定层次与所有预设层次间结论的差距。ACTG 175 实例表明实验室结局的排序会影响结论强度，另一例子则揭示了稀疏网格可能遗漏的不利阈值。对您而言，本文的 U-统计量框架与 intersection-union 检验思路可直接迁移至因果推断中多重敏感性分析或部分识别问题的统一推断。
关键技术: two-sample U-statistics, intersection-union test, win ratio, partial outcome hierarchy, sensitivity analysis
为什么对您有用: 本文直接连接 primary interest 中的 higher-order U-statistics 和 hypothesis testing 子方向，核心工具是两样本 U-统计量的大样本理论。武器库中 very_familiar 的 'computation of higher-order U-statistics (treewidth / tensor contraction / einsum)' 可用来分析其 U-统计量在复杂层次结构下的计算成本，而 moderately_familiar 的 'identification theory in causal inference' 可帮助将部分指定层次视为部分识别问题并推广。中期可做：需先在 moderately_familiar 的 'semiparametric theory' 上长肌肉，以处理连续阈值范围下的效率界问题。

6. 2608.28810 — CARB: A Covariate-Assessed Robust Borrowing Strategy with Literature-Informed Prior Weights for External Data¶

作者: Jinping Liang, Guannan Gong, Satrajit Roychoudhury, Wei Wei
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文提出 CARB 框架，用于在临床试验中系统化地借用外部对照数据。核心挑战在于如何预先指定借用程度（prior weight），传统方法依赖启发式或模拟校准，缺乏科学透明性。CARB 仅利用新试验与外部源的汇总层面基线协变量信息（而非个体数据），量化两者在预设协变量上的不一致性，通过预设映射函数将差异度转化为稳健借用模型中的源特异性先验权重。该方法不接触新试验的结局数据，保证了设计阶段的客观性。模拟显示，在外部数据存在未观测或观测到的不兼容性时，CARB 相比固定借用能降低偏差和 I 类错误膨胀，而在兼容时提升效率。晚期黑色素瘤实例展示了从多个历史源进行协变量知情的借用。该框架为无法获取外部个体协变量数据的场景提供了可复现、透明的借用策略。对您而言，该工作涉及因果推断中外部数据借用的识别与稳健估计问题，与您的 primary interest 中因果推断的 sensitivity analysis 和 identification 方向直接相关。
关键技术: robust borrowing, prior weight specification, aggregate-level covariate discrepancy, design-stage assessment, simulation-based calibration
为什么对您有用: 本文属于因果推断中外部数据借用的应用方法，直接连接到您的 primary interest 中 causal inference 的 sensitivity analysis 和 identification 子方向。您的武器库中 'estimation theory in causal inference' 和 'nonparametric statistics' 可用于分析其映射函数的选择对偏差-方差权衡的影响，属于中期可做：需先在 moderately_familiar 的 'identification theory in causal inference' 上长肌肉，以理解其识别假设（如无未观测混杂）在 aggregate-level 下的可检验性。

7. 2608.28887 — External Risk Prediction Informed Bayesian Survival Analysis¶

作者: Yena Jeon, Yunxiang Huang, Hang J. Kim, Susan Halabi, Mi-Ok Kim
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对小样本生存分析中整合外部风险预测模型信息的问题，提出一种贝叶斯离散化生存时间推断框架。目标是在Cox回归中利用来自在线计算器等外部来源的个体化风险预测（无透明结构）来改进估计效率。核心方法是通过Kullback-Leibler散度构建信息先验，将外部预测作为外部似然的替代，从而在不需知道外部模型结构的前提下实现信息整合。理论结果表明，所提后验均值估计量渐近优于仅用内部数据的MLE，但基于KL散度的替代会导致后验方差推断过于保守，因此作者提出校正方法解决覆盖过宽问题。模拟和前列腺癌数据应用验证了方法的有效性。对您而言，该工作涉及因果推断中整合外部信息（如历史模型或专家知识）的通用框架，与您的proximal CI和sensitivity analysis兴趣有交集，且其KL散度先验构建思路可能迁移至您关注的负对照设定下的信息借用问题。
关键技术: Bayesian discretized survival model, Kullback-Leibler divergence prior, external risk prediction integration, asymptotic efficiency comparison, posterior variance correction
为什么对您有用: 本文直接连接您的primary interest中因果推断的纵向/生存分析设定，具体是外部信息整合这一在proximal CI和sensitivity analysis中常见但少被系统处理的问题。您的武器库中'非参数统计'和'因果推断中的估计理论'（very_familiar）可用于评估其KL散度先验的渐近效率增益是否在更弱假设下成立，而'半参数理论'（moderately_familiar）可帮助分析其校正后推断的semiparametric efficiency bound。中期可做：需先在moderately_familiar的'因果推断中的识别理论'上加深对负对照假设的理解，才能将本文框架推广到您关注的proximal CI场景。

高维统计 / 随机矩阵 (high_dim_rmt, 3 篇)¶

1. 2608.30374 — Compact and Infinite-Order Error Analysis for Null-Space SVD Estimation¶

作者: Xin Li, Jonathan Cohen, Rami Puzis
分类: math.ST · cs.LG · stat.TH
相关性 6/10 · novelty: new_method
摘要: 本文研究从含噪矩阵中估计零空间（null space）的问题。首先针对简单左零空间，推导了最小左奇异向量误差的精确紧致表达式，并给出了SVD向量和投影仪的全阶级数展开，进而得到固定实现下的经验风险和条件总体泛化风险的紧致截断级数形式。该方法通过递归扩展到多维零空间，收敛半径由最近复异常点（exceptional point）独立计算，而非从误差图中推断。在Gaussian训练且τ≥m的设定下，证明了Wishart分裂矩阵W给出严格的二阶经验排序；Gaussian平均化使小噪声和大噪声下的领先泛化风险相等，而列交换定理证明了各向同性信号子空间下的严格期望泛化排序。对于不等强度尖峰，通过精确总体重叠准则和99% Monte Carlo置信度证书解释了观测到的中间排序。第六阶风险修正改进了低交叉估计。该工作与您的高维统计和随机矩阵理论兴趣高度相关，特别是BBP相变、Wishart矩阵谱分析和有限样本诊断方法。
关键技术: null-space SVD estimation, exceptional point analysis, Wishart splitting matrix, BBP transition, all-order series expansion, finite-sample spectral diagnostics
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，核心工具（Wishart矩阵谱分析、BBP相变、异常点收敛半径）均在您的very_familiar武器库内。您可以用minimax bound验证其声称的收敛半径是否紧，或用higher-order U-stat的treewidth视角分析其级数展开的计算成本。立即可做：用您熟悉的随机矩阵工具复现并扩展其有限样本诊断结果。

2. 2608.30374 — Compact and Infinite-Order Error Analysis for Null-Space SVD Estimation¶

作者: Xin Li, Jonathan Cohen, Rami Puzis
分类: math.ST · cs.LG · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 本文研究从含噪矩阵中估计零空间（null space）的问题。首先针对简单左零空间，推导了最小左奇异向量误差的精确紧致表达式。随后给出了SVD向量和投影算子的全阶级数展开，以及固定实现经验风险和条件总体泛化风险的紧致且一致截断的级数形式。该方法通过复平面上的exceptional point（特征值分支交汇点）独立计算收敛半径，而非依赖误差图推断。对于高斯训练数据且τ≥m的情形，证明了Wishart分裂矩阵W给出严格二阶经验排序；高斯平均化使小噪声和大噪声下的主导泛化风险相等，而列交换定理证明了各向同性信号子空间的严格期望泛化排序。对于不等强度信号，通过精确总体重叠准则和99%蒙特卡洛置信证书解释了观测到的中间排序。第六阶风险修正改进了低交叉点估计。该工作与您的高维统计和随机矩阵理论兴趣高度相关，特别是BBP相变、Wishart矩阵谱分析和exceptional point等概念，可直接用于理解您在高维设定下SVD估计的有限样本诊断。
关键技术: null-space SVD estimation, exceptional point, Wishart splitting matrix, BBP transition, series expansion for singular vectors, finite-sample spectral diagnostics
为什么对您有用: 本文直接连接您的高维统计与随机矩阵理论兴趣，特别是BBP相变和Wishart矩阵谱分析。您武器库中的高维渐近工具可直接用于验证其收敛半径与exceptional point关系的紧致性，属于立即可做的follow-up。

3. 2608.29625 — One-step group factor analysis via penalized least squares¶

作者: Xinbing Kong, Xiaoying Pan, Long Yu, Tong Zhang
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文重新审视了高维分组因子分析问题，提出了一种基于惩罚最小二乘的一步估计方法，用于同时估计因子载荷和因子得分，作为传统两步主成分方法的替代方案。该方法的关键洞察在于分组因子结构与精心设计的识别条件之间的等价性，并据此构造了一个带拉格朗日乘子的惩罚最小二乘损失函数。通过这一单步优化框架配合精细调参的惩罚参数，可以直接推导出因子载荷、因子得分、共同成分和局部成分的渐近正态性及收敛速率。理论表明，该方法在平衡分组面板情形下达到了与两步聚合主成分法相同的速率和极限标准误，但比两步典型相关法具有更小的极限标准误。模拟和实证（美国房价和沪深300周收益率）验证了方法的有效性。对您而言，该工作涉及高维统计和因子模型，与您的高维统计和随机矩阵理论兴趣直接相关，其一步估计框架和理论分析思路值得关注。
关键技术: penalized least squares, Lagrange multiplier formulation, group factor model, principal component analysis, central limit theorem
为什么对您有用: 该论文直接关联您的高维统计和随机矩阵理论兴趣，具体涉及高维因子模型的估计和推断。您武器库中'高维渐近理论'和'逆问题'的功底可用于分析其一步估计量的收敛性质，例如验证其声称的收敛速率是否最优。中期可做：若想将类似的一步框架推广到其他高维结构（如张量因子模型），需先在'moderately_familiar'的HOIF或半参理论上加强。

数理统计 / 假设检验 (hypothesis_testing, 14 篇)¶

1. 2608.30074 — Distribution-free testing of linear type¶

作者: Weixuan Xia
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出一种新的分布无关拟合优度检验——omega-1 检验，作为 Kolmogorov–Smirnov 检验和 Cramér–von Mises 检验的（逐段）线性类比。检验统计量定义为经验过程的 L¹ 泛函，在平衡对局部和扩散备择假设的敏感性上有所改进，并给出稳健且可解释的分布差异度量，与 Wasserstein 1-距离有密切联系。在有限样本下，作者推导了统计量的一般计算形式，并给出了零分布的各种显式公式。在温和连续性假设下，极限统计量是分布无关的，且具有显式分布公式。在复合假设设定下，该统计量兼容 Khmaladze 变换，可实现渐近分布无关检验，变换后的极限统计量也有显式分布，避免了复杂的补偿过程或纯数值计算。模拟结果显示有限样本分布快速收敛到极限分布，支持该检验的实用可行性。该工作直接关联您对假设检验和分布无关方法的兴趣，其 L¹ 泛函视角与经验过程理论为后续理论分析提供了清晰入口。
关键技术: empirical process, L1 functional, Khmaladze transformation, Wasserstein 1-distance, distribution-free test
为什么对您有用: 该论文直接命中您 primary interest 中的 hypothesis testing 子方向，提出一种新的分布无关拟合优度检验。您 very_familiar 中的非参数统计和经验过程理论可直接用于分析该统计量的渐近性质（如紧性、收敛速度），而 moderately_familiar 中的 M-estimation 理论可用于扩展至复合假设或参数化模型。中期可做：若想将 omega-1 检验推广到高维或半参数设定，需先在 moderately_familiar 的 semiparametric theory 上加强（如 influence function 的 L¹ 版本）。

2. 2608.30221 — Cubic-Root Gaussian Approximation under Unrestricted Covariance¶

作者: Zijun Gao, Weihan Zhang
分类: math.ST · stat.TH
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究高维矩形上高斯近似的误差界，在协方差矩阵无约束的设定下，目标是用Gaussian过程逼近高维随机向量的最大值分布。作者在坐标次指数条件（尺度B_n）和边际方差下界条件（常数b）下，证明了逼近误差的上界为n^{-1/3}量级（忽略对数因子），从而否定了Chernozhukov等人(2023b)提出的n^{-1/4}近最优性猜想。证明采用了两阶段插值技术和秩无关的矩阵加权高斯曲面界，这些技术工具可能具有独立的方法学价值。该结果对高维统计推断中的多重检验、置信区域构造等核心问题有直接意义，因为更快的逼近率意味着更精确的临界值近似。对您而言，该工作属于高维假设检验中Gaussian approximation这一经典方向的实质性进展，其n^{-1/3}率与您熟悉的minimax bound和high-dimensional asymptotics工具直接对话。
关键技术: Gaussian approximation, high-dimensional rectangles, two-stage interpolation, matrix-weighted Gaussian surface bound, coordinatewise subexponential condition
为什么对您有用: 该工作直接连接您primary interest中的hypothesis testing和high-dimensional statistics——具体而言，高维Gaussian approximation是构造同时置信区间和多重检验校正的基础工具。您武器库中very_familiar的minimax bounds和high-dimensional asymptotics可以直接用于验证该n^{-1/3}率是否紧（即是否存在匹配的下界），这是一个立即可做的follow-up问题。

3. 2608.30074 — Distribution-free testing of linear type¶

作者: Weixuan Xia
分类: math.ST · stat.TH
相关性 7/10 · novelty: new_method
摘要: 本文提出一种新的分布无关拟合优度检验——omega-1 检验，它作为经验过程的 L^1 泛函，自然补充了 Kolmogorov-Smirnov 检验和 Cramér–von Mises 检验，可视为它们的（分段）线性类比。检验统计量在平衡对局部和扩散备择假设的敏感性方面有所改进，并提供了稳健且可解释的分布差异度量，且与 Wasserstein 1-距离有密切联系。在有限样本下，作者推导了统计量在一般条件下的有限维计算形式，进而得到其零分布的各种显式公式。在温和连续性假设下，极限统计量是分布无关的，且具有显式分布公式。在复合假设设定中，该统计量兼容 Khmaladze 变换，可实现渐近分布无关的检验，且变换后的极限统计量也有显式分布，避免了依赖难处理的补偿过程或纯数值评估。模拟结果表明有限样本分布快速收敛到极限分布，支持该检验的实际适用性。
关键技术: L^1 functional of empirical process, Kolmogorov–Smirnov test, Cramér–von Mises test, Wasserstein 1-distance, Khmaladze transformation, distribution-free goodness-of-fit test
为什么对您有用: 该论文直接关联您的主要兴趣——假设检验（mathematical statistics & hypothesis testing），提出了一种新的分布无关拟合优度检验，其统计量基于经验过程的 L^1 泛函，与 Wasserstein 距离有联系，这为经典检验提供了新视角。您非常熟悉的非参数统计和 minimax 界工具可用于分析该检验的渐近效率和最优性，例如检验的 minimax 分离率或与现有检验的局部渐近相对效率比较。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理该检验在复合假设下的渐近性质。

4. 2608.30221 — Cubic-Root Gaussian Approximation under Unrestricted Covariance¶

作者: Zijun Gao, Weihan Zhang
分类: math.ST · stat.TH
相关性 7/10 · novelty: sharper_rate
摘要: 本文研究高维矩形上 Gaussian 逼近的误差界，协方差矩阵无任何结构假设。Chernozhukov et al. (2023b) 曾猜想 n^{-1/4}（忽略对数因子）是近最优率。作者在坐标wise 次指数条件（尺度 B_n）和边际方差下界条件（常数 b）下，证明逼近误差可被 C_b min{1, (B_n^2/n)^{1/3} [log(2dn)]^{7/3} + B_n/√n [log(2dn)]^{5/2}} 控制。对于有界 B_n 和多项式维数，新界为 n^{-1/3}，从而否定了多项式维数下 n^{-1/4} 近最优性的猜想。证明使用了两阶段插值和秩无关的矩阵加权 Gaussian 曲面界，这些工具可能独立有意义。该结果直接推进了高维统计推断中 Gaussian 逼近的收敛速率理论，对您在高维假设检验和随机矩阵理论中的工作有直接参考价值。
关键技术: Gaussian approximation over rectangles, two-stage interpolation, rank-free matrix-weighted Gaussian surface bound, coordinatewise subexponential condition, high-dimensional central limit theorem
为什么对您有用: 本文直接关联您在高维统计和假设检验中的核心兴趣：它给出了无协方差结构假设下 Gaussian 逼近的 n^{-1/3} 率，否定了 n^{-1/4} 猜想，这是一个理论上的 sharp 改进。您武器库中的 minimax bounds 和 high-dimensional asymptotics 可以直接用于验证该率是否紧，或将其推广到更一般的设定（如依赖结构）。中期可做：若想将证明中的秩无关矩阵加权 Gaussian 曲面界与您的 higher-order U-statistics 的 treewidth 视角结合，需先在 moderately_familiar 的 theory of higher-order U-statistics 上加强。

5. 2608.30644 — Marginal Coordinate Test for Fr\'echet Regression with Random Objects¶

作者: Jiaye Chen, Rui Qiu, Roulin Wang, Zhou Yu
分类: stat.ME · stat.ML
相关性 6/10 · novelty: new_method
摘要: 该论文针对 Fréchet 回归（响应变量为度量空间中的随机对象，预测变量为欧氏向量）提出了边际坐标检验方法，旨在检验给定其他预测变量后，某个特定预测变量是否对响应变量提供额外信息。方法采用半监督设计：用无标签样本估计预测变量的条件均值，用独立的有标签样本进行推断。将残差与乘积空间核结合，构造了一个无需响应残差的核条件均值依赖（KCMD）U-统计量。主检验针对必要的条件均值限制，而多重变换扩展可探测更广泛的备择假设。建立了加权中心卡方零分布极限、wild bootstrap 有效性、对固定可检测备择假设的一致性以及均值元素备择下的局部功效。同时，结合截断 p-to-e 校准与 e-BH 过程，在一般相依性下实现了渐近错误发现率控制。模拟和纽约出租车流量分析验证了方法。该工作对您在高维假设检验和 U-统计量理论方面的兴趣有直接关联，其 KCMD U-统计量的构造和分析可视为您熟悉的更高阶 U-统计量理论的一个具体应用实例。
关键技术: Fréchet regression, marginal coordinate test, kernel conditional mean dependence (KCMD), U-statistic, wild bootstrap, e-BH procedure
为什么对您有用: 该论文直接连接您对假设检验和更高阶 U-统计量的兴趣。其核心检验统计量 KCMD 是一个 U-统计量，您可以用非常熟悉的更高阶 U-统计量（树宽/张量收缩/einsum）的计算理论来分析其计算成本或设计更高效的算法。中期可做：若想将方法推广到更高阶的交互效应检验，需先在 moderately_familiar 的更高阶 U-统计量理论上长肌肉（如投影分解、退化 U-统计量的极限分布）。

6. 2608.30331 — Bergsma--Dassios Sign Covariance Characterises Independence for Arbitrary Real-Valued Bivariate Laws¶

作者: Stefan Gr\"unewald, Libo Huang
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 研究 Bergsma–Dassios 符号协方差 τ 在任意实值二元分布（包括混合分布与奇异分布）下是否为零等价于独立性的问题。核心贡献是去掉了此前文献中需要的连续性或绝对连续性等正则性假设，证明 τ=0 完全刻画独立性。证明方法首先将有限有序分布用带标签路径树编码，对四元组协方差给出非负平方和表示；然后通过有理逼近和嵌套量化逐步去除支撑和正则性限制。在有限均匀加权标签集上，该树框架还将边加权四元组量与经验距离协方差平方联系起来。作为组合推论，得到二元系统发育树之间四元组距离的渐近 2/3 上界。这是一个总体识别结果，不涉及新的样本极限定理。对您而言，该工作直接关联 hypothesis testing 中基于秩的独立性检验，其树编码与平方和表示技术可能为 higher-order U-statistics 的图论分析提供新视角。
关键技术: Bergsma–Dassios sign covariance, rank-based independence test, sum-of-squares representation, path tree encoding, rational approximation and nested quantization, distance covariance
为什么对您有用: 直接关联 hypothesis testing 中基于秩的独立性刻画问题，是您 primary interest 中 mathematical statistics 方向的基础性理论结果。其树编码和平方和表示技术可以连接到您 very_familiar 的 higher-order U-statistics 的 treewidth / tensor contraction 视角——该框架可能为 U-statistic 的图论分解提供新工具。中期可做：需先在 moderately_familiar 的 higher-order U-statistics 理论上深入理解树编码与四元组量的关系，然后可尝试将类似方法推广到更高阶的独立性度量。

7. 2608.30331 — Bergsma--Dassios Sign Covariance Characterises Independence for Arbitrary Real-Valued Bivariate Laws¶

作者: Stefan Gr\"unewald, Libo Huang
分类: math.ST · stat.TH
相关性 6/10 · novelty: new_theory
摘要: 研究 Bergsma–Dassios 符号协方差 τ 在任意实值二元分布（包括混合分布和奇异分布）下是否为零等价于独立性。现有零特征结果仅在特定正则性条件下成立，本文去除了所有支撑和正则性限制。核心证明技术：先用有理概率的有限有序分布编码为带标签路径树，再利用 quartet 协方差的非负平方和表示。通过有理逼近和嵌套量化（nested quantisation）将结果推广到一般分布。证明过程中还得到了未归一化的 τ 与未缩放的 Blum–Kiefer–Rosenblatt 泛函之间的定量不等式 τ* ≥ 2ℬ。该结果纯属总体识别性质，不涉及新的样本极限定理。对您而言，该工作直接关联假设检验中基于秩的独立性度量的理论完备性，且其树编码与平方和表示技术可能为更高阶 U-统计量的组合结构分析提供新视角。
关键技术: Bergsma–Dassios sign covariance, sum-of-squares representation, nested quantisation, path tree encoding, Blum–Kiefer–Rosenblatt functional, quartet covariance
为什么对您有用: 直接连接到 hypothesis testing 中基于秩的独立性检验的理论基础，填补了 τ* 零特征定理在一般分布下的空白。技术层面，其树编码与平方和表示可视为一种组合结构，与您非常熟悉的 higher-order U-statistics 的 treewidth / tensor contraction 视角有潜在交叉——quartet 协方差本质上是四阶 U-统计量，其非负平方和表示可能对应某种低阶张量分解。中期可做：若您希望在 moderately_familiar 的 higher-order U-statistics 理论上深入，可尝试将本文的树表示推广到更高阶的独立性度量（如 d 维 Bergsma 型统计量），并分析其计算复杂度与统计效率的权衡。

8. 2608.29083 — Response-guided knockoffs for directional FDR control in linear models¶

作者: Jack Freestone, Garth Tarr, Samuel Muller, Uri Keich
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文在线性模型特征选择中提出响应引导的 knockoff 滤波器，旨在控制方向性 FDR（即同时惩罚错误符号估计）。现有 knockoff 方法完全响应无关（response-agnostic），且固定 X 生成器要求 n ≥ 2p。新方法利用噪声扰动的响应引导 knockoff 构造，使其倾向于目标符号的特征，同时可证明控制方向性 FDR。该方法在更弱的样本量条件 n > p + 2 下即可工作，显著放宽了现有要求。模拟和 HIV 耐药性实验表明，相比现有方法有统计功效提升。对您而言，该工作属于假设检验与 FDR 控制方向，其核心创新在于将响应信息引入 knockoff 构造，与您在高维统计和因果推断中处理多重比较问题有潜在连接。
关键技术: Knockoff filter, Directional FDR, Response-guided construction, Fixed-X knockoff, Noise perturbation
为什么对您有用: 本文属于假设检验与 FDR 控制方向，直接连接您 primary interest 中的 hypothesis testing。其核心创新——响应引导的 knockoff 构造——可视为一种利用响应信息提升功效的通用策略，与您在高维统计中处理多重比较问题有潜在连接。技术层面，您 very_familiar 中的高维渐近工具可用于分析其 n > p + 2 条件下的理论性质，而 moderately_familiar 中的 M-estimation 理论可用于扩展至非线性模型。中期可做：需先在 moderately_familiar 的 knockoff 或 FDR 控制理论上长肌肉。

9. 2608.29385 — Robust estimation in generalized linear models based on the normal quantiles of the probability integral transformation¶

作者: Marina Valdora, V\'ictor Yohai
分类: stat.ME
相关性 5/10 · novelty: new_method
摘要: 本文针对广义线性模型（GLM）提出一种新的稳健估计方法。核心思路是：先对响应变量应用概率积分变换（PIT）再复合正态分位数函数，使变换后的响应在模型正确时近似服从标准正态分布；然后通过最小化变换后响应的一种稳健尺度度量（如MAD或分位数）来估计参数。该方法不依赖特定的似然或矩条件，对异常值和模型误设具有天然稳健性。理论部分针对单参数指数族分布证明了估计量的相合性和渐近正态性。模拟和实例（Poisson回归、Logistic回归）表明，在存在离群点时，新方法比经典MLE和现有稳健方法（如Mallows型M估计）有更低的均方误差和更好的稳健性。对您而言，本文提供了一种将分布变换与稳健尺度估计结合的通用框架，其思想可迁移至您熟悉的因果推断或高维统计中的稳健估计问题，且与您熟悉的非参数统计和M估计理论有直接联系。
关键技术: probability integral transformation, normal quantile transformation, robust M-estimation, generalized linear models, influence function
为什么对您有用: 本文属于假设检验与稳健估计方向，直接连接您的primary interest中的数学统计与M估计理论。其核心工具——概率积分变换与正态分位数变换——是您非常熟悉的非参数统计技术，因此可快速理解并评估其理论性质。中期可做：若想将这一稳健框架推广至高维GLM或因果推断中的outcome模型，需先在moderately_familiar的semiparametric theory上加强，特别是处理高维nuisance参数时的稳健性。

10. 2608.29491 — Pollak's Minimax Quickest Change Detection: Non-Asymptotic Optimality¶

作者: Ali Tajer
分类: math.ST · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究 Pollak 极小极大框架下的快速变化检测（QCD）问题，目标是在 i.i.d. 变化模型下，对随机化、历史依赖的停时规则，在有限平均运行长度至虚警约束 γ 下实现极小最优性。核心创新是引入生存过程表示（survival-process representation），将停时优化转化为等价的线性变分优化问题，虽为无穷维，但证明了最优解的存在性并精确刻画了有限 γ 下的 Pollak 极小值。基于此刻画，可构造性能任意接近最优的可计算停时规则，其驱动统计量为递归更新的加权似然比，具有时变注入和边界，且 Shiryaev–Roberts 形式作为时间齐次特例自然涌现。在似然比下界条件下，框架还给出了非平凡变化模型类的闭式精确极小解。该工作将 QCD 的最优性从渐近结果推广到有限样本情形，对您而言，其变分优化与生存过程表示的技术思路，可能为高维或非参数假设检验中的有限样本最优性分析提供新视角。
关键技术: survival-process representation, linear variational optimization, weighted likelihood-ratio statistic, Shiryaev–Roberts recursion, minimax quickest change detection
为什么对您有用: 本文直接关联您对假设检验的兴趣，特别是有限样本最优性这一核心问题。您武器库中的 minimax bounds 和 nonparametric statistics 可直接用于分析其变分框架在非参数变化检测中的推广（立即可做）。

11. 2608.30018 — Self-normalization for Spectral Density Integrals¶

作者: Holger Dette, Sebastian K\"uhnert
分类: math.ST · math.PR · stat.ME · stat.TH
相关性 5/10 · novelty: new_method
摘要: 该论文研究线性过程谱密度积分的自标准化推断问题。谱密度积分常用于汇总时间序列的谱特征，但传统推断方法需要估计渐近方差中的未知谱量。作者基于逐段周期图构造了谱密度积分估计量的过程，并建立了其弱收敛性。对于线性泛函，自标准化方法导出了渐近枢轴分布，完全消除了对未知谱量的依赖；对于非线性泛函（如积分平方谱密度），极限过程中会出现具有不同协方差结构的额外成分，导致自标准化失效。理论结果通过模拟和实证数据验证。该工作为时间序列谱分析提供了一种无需显式方差估计的推断工具，与您在高维统计和假设检验方面的兴趣直接相关，特别是自标准化方法在更复杂设定下的推广值得关注。
关键技术: self-normalization, sequential periodogram, spectral density estimation, weak convergence, pivotal limiting distribution
为什么对您有用: 本文属于假设检验方向，直接连接您对数学统计和假设检验的兴趣。自标准化方法是一种避免显式方差估计的推断技术，您可以用非常熟悉的非参数统计和高维渐近工具来评估其在高维时间序列或长记忆过程中的适用性。中期可做：需先在 moderately_familiar 的 M-estimation 理论上长肌肉，以处理非线性泛函时自标准化失效的修正方案。

12. 2608.29491 — Pollak's Minimax Quickest Change Detection: Non-Asymptotic Optimality¶

作者: Ali Tajer
分类: math.ST · stat.TH
相关性 5/10 · novelty: new_theory
摘要: 本文研究 Pollak 极小极大框架下的快速变化检测（QCD）问题，目标是在 i.i.d. 变化模型下，对任意有限平均误报运行长度 γ 构造最优停止规则。核心创新是引入生存过程表示（survival-process representation），将 Pollak 准则下的停止时间优化等价转化为一个线性变分优化问题。尽管该问题无限维，但作者证明了最优解的存在性，并给出了有限 γ 下 Pollak 极小极大值的精确刻画。基于此刻画，可以构造性能任意接近最优的可计算停止规则，其形式为递归更新的加权似然比统计量，且时间依赖的注入和边界自然出现，而非人为施加。经典 Shiryaev-Roberts 递归作为时间齐次特例被包含在内。在似然比下界条件下，框架还给出了非平凡变化模型的闭式精确极小化解。该工作将 QCD 的最优性从渐近结果推广到有限样本情形，对假设检验和序贯分析有直接理论价值。
关键技术: survival-process representation, linear variational optimization, Pollak minimax criterion, weighted likelihood-ratio statistic, Shiryaev-Roberts recursion, finite-γ optimality
为什么对您有用: 本文属于假设检验（change detection）的理论前沿，直接连接 primary interest 中的 mathematical statistics & hypothesis testing。技术核心是生存过程表示与线性变分优化，这与您武器库中 minimax bounds 和 nonparametric statistics 的思维框架高度契合——可用 minimax 下界技术验证其有限 γ 最优性是否紧。中期可做：若想将类似生存过程表示推广到非 i.i.d. 或高维设定，需先在 moderately_familiar 的 M-estimation theory 上提升（处理相依数据的变分优化）。

13. 2608.30018 — Self-normalization for Spectral Density Integrals¶

作者: Holger Dette, Sebastian K\"uhnert
分类: math.ST · math.PR · stat.ME · stat.TH
相关性 5/10 · novelty: new_method
摘要: 该论文研究线性过程谱密度积分的自标准化推断问题。谱密度积分常用于汇总时间序列的谱特征，但传统推断方法需要估计复杂的谱密度量（如长程方差）。作者提出基于逐段周期图的自标准化方法，建立了相应过程的弱收敛性。对于谱密度的线性泛函，自标准化方法产生与未知谱量无关的枢轴极限分布，从而避免了繁琐的方差估计。对于非线性泛函（如积分平方谱密度），极限过程中可能出现具有不同协方差结构的额外成分，论文通过理论分析揭示了这一现象。该工作为时间序列谱分析提供了更稳健的推断工具，对您在高维统计和假设检验方面的兴趣有直接参考价值。
关键技术: self-normalization, sequential periodogram, spectral density estimation, weak convergence, pivotal limiting distribution
为什么对您有用: 该论文直接连接您对假设检验的兴趣，特别是时间序列中谱密度泛函的推断问题。您武器库中的非参数统计和高维渐近理论可用于分析自标准化过程的收敛性质，而您熟悉的minimax界方法可评估该方法的效率损失。中期可做：需先在M估计理论上加强，以处理非线性泛函中出现的额外协方差结构。

14. 2608.29154 — Stochastic Bayes factors: why, when, and how¶

作者: Leonardo Egidi, Ioannis Ntzoufras
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 本文针对贝叶斯假设检验与模型选择中经典贝叶斯因子（BF）对先验敏感、无法使用无信息先验、依赖任意证据尺度、且仅反映先验预测而非后验预测性能等缺陷，提出随机贝叶斯因子（SBF）框架。SBF 将 BF 视为从观测数据空间到复制数据空间的推前测度，从而显式纳入复制数据带来的不确定性。理论部分建立了模型一致性、相容性与优势性等性质，确保 SBF 保留贝叶斯方法的理想保证。算法上给出了操作化 SBF 的流程，用于模型判别与校准。模拟与真实数据应用表明，SBF 相比经典 BF 在稳健性与预测可靠性上有所提升。对您而言，本文属于假设检验方向的方法论创新，但其核心关注贝叶斯框架下的不确定性量化，与您主要兴趣中的频率学派假设检验（如高维或半参数设定）距离较远，可作为贝叶斯检验前沿的入门阅读。
关键技术: Bayes factor, posterior predictive replication, push-forward measure, model consistency, model calibration
为什么对您有用: 本文属于假设检验方向，但聚焦贝叶斯框架，与您主要兴趣中的频率学派假设检验（如高维统计、半参数理论）方法学距离较远。作为 gateway reading，本文对贝叶斯检验的不确定性量化提供了清晰框架，但武器库中缺乏贝叶斯计算与模型平均的深度工具，暂不可做直接方法迁移。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 2608.29862 — Spatial-sign-based multilinear principal component analysis for tensor data¶

作者: Dongxu Yang, Wanfeng Liang, Le Zhou, Long Feng
分类: stat.ME
相关性 4/10 · novelty: new_method
摘要: 针对张量数据降维中传统MPCA对重尾分布和异常值敏感的问题，提出基于空间符号的鲁棒MPCA（SMPCA）。方法以空间中心为定位中心，通过空间符号归一化消除径向幅度，再对每个模态交替进行特征分解估计载荷空间。在可分离张量椭圆模型下，证明了总体模态载荷空间的唯一最大化性质，并刻画了其与向量化空间符号PCA及普通PCA子空间的关系。样本层面推导了模态子空间和联合投影子的显式统计收敛速率，给出了重构保证，并证明了累积贡献维度选择器的一致性。模拟和实证表明SMPCA在重尾和污染下比现有方法更准确稳定，轻尾下也具竞争力。该工作为高维张量数据的稳健降维提供了理论保证和实用算法，对您在高维统计和统计计算方向有直接参考价值。
关键技术: spatial-sign normalization, multilinear principal component analysis, separable tensor elliptical model, alternating eigendecomposition, statistical convergence rates
为什么对您有用: 本文属于高维统计与统计计算的交叉，直接对应您primary interest中的高维统计和统计计算。方法核心是张量数据的稳健降维，其交替特征分解框架与您熟悉的higher-order U-statistics计算（treewidth/tensor contraction）有潜在联系——可尝试用einsum复杂度分析SMPCA的迭代成本。中期可做：需先在moderately_familiar的HOIF或semiparametric theory上积累，以评估该方法的效率损失。

天体统计 (astrostats, 5 篇)¶

1. 2608.30887 — Beyond \(X_\mathrm{max}\) : Reconstructing Air Shower Profiles with Information Field Theory with SKA-Low¶

作者: Keito Watanabe, Tim Huege, Torsten En{\ss}lin, Vincent Eberle, Sjoerd Bouma, Justin Bray, Stijn Buitink, Arthur Corstanje, Vital De Henau, Edwin Dickinson, Tjibbe Gottmer, Brian Hare, Haoning He, J\"org H\"orandel, Clancy James, Mrinal Jetti, Philipp Laub, Xingyu Li, Marten Lourens, Hermann-Josef Mathes, Katie Mulrey, Anna Nelles, Subhadip Saha, Felix Schl\"uter, Olaf Scholten, Ralph Spencer, Christopher Sterpka, Sander ter Veen, Karen Terveer, Gia Trinh, Paulina Turekova, Darko Veberi\v{c}, Marc Waterson, Chao Zhang, Pengfei Zhang, Yi Zhang
分类: astro-ph.IM
相关性 6/10 · novelty: application
摘要: 本文针对大气簇射的射电观测，提出基于信息场论（IFT）的重建框架，以恢复完整的纵向发展剖面（beyond X_max）。框架采用前向模型：用Gaisser-Hillas剖面加弱信息先验描述簇射形状，结合SMIET模板库合成任意几何下的射电脉冲，并模拟SKA-Low的天线响应与噪声。在约900个沿v×(v×B)轴放置天线的SMIET模拟事件上验证自洽性，X_max分辨率<9 g/cm²，宽度和不对称性参数分辨率也达到最小偏差，剖面在<1200 g/cm²深度处偏差<4%。该方法将扩展到CoREAS模拟和实测噪声，最终适配LOFAR或SKA-Low的真实天线布局。对您而言，这是一篇典型的astrostatistics入门级读物：数据生成模型（前向模拟+先验）、逆问题（从噪声观测重建潜变量剖面）和不确定性量化（IFT框架）都清晰呈现，适合了解射电天文中统计推断的典型设定。
关键技术: Information Field Theory, Gaisser-Hillas profile, forward modeling, template library (SMIET), Bayesian inference with weakly informative priors
为什么对您有用: 这是一篇astrostatistics的gateway reading：它清晰展示了射电天文中从物理模型（Gaisser-Hillas剖面）到观测模型（SMIET模板+天线响应+噪声）再到逆问题重建（IFT贝叶斯推断）的完整统计推断流程。武器库中的'nonparametric statistics'和'inverse problems with random noise'足以理解其核心设定，但IFT本身是场论工具，不在当前武器库中——属于暂不可做，但作为入门读物值得花时间读全文以了解这个方向的数据结构与推断范式。

2. 2608.29760 — A generalized likelihood model for segmented muon counters¶

作者: Joaqu\'in de Jes\'us, Juan Manuel Figueira, Federico Sanchez, Darko Veberic
分类: astro-ph.IM · physics.data-an
相关性 5/10 · novelty: application
摘要: 本文针对分段式μ子探测器（如Pierre Auger天文台的地下μ子探测器）的响应建模问题，提出一个统一的统计框架。核心目标是利用探测器各段被激活的计数k，重建μ子横向分布函数（LDF），从而约束宇宙线成分和强子相互作用模型。现有解析模型仅考虑信号堆积（pile-up），忽略了探测器非效率、角落穿越μ子和本底信号等实际因素。作者通过少量物理可解释的参数，推导了包含这些因素的探测器响应精确表达式和似然函数，并给出了一个保持主要统计性质的二项近似。专用蒙特卡洛模拟表明，在参数范围内解析假设的影响可忽略，且精确似然与近似似然在估计偏差和置信区间覆盖率上表现相近。该框架虽以Auger探测器为动机，但可推广至其他分段式二进制读出粒子探测器。对您而言，这是一篇优秀的入门级天文统计读物，清晰展示了探测器物理、数据生成模型和似然构建的完整链条，适合作为进入天体粒子物理数据分析领域的起点。
关键技术: likelihood-based reconstruction, binomial approximation, Monte Carlo validation, segmented detector response model, muon lateral distribution function
为什么对您有用: 本文属于astrostats的gateway reading，完全符合入门标准：(1) 对天文统计外行友好，从探测器原理到似然构建逐步展开，不依赖深奥的天文术语；(2) 清晰阐述了数据侧（分段计数、噪声、效率）和模型侧（似然、物理参数）的结构；(3) 武器库中的非参数统计和软件工程经验足以理解并复现其模拟框架，但该问题本身是物理驱动的应用，不直接对应您的主要统计兴趣方向。值得花时间通读全文作为天体粒子物理数据分析的入门材料。

3. 2608.31148 — The Analysis, not the Aperture: End-to-End Transformer Reconstruction for Imaging Atmospheric Cherenkov Telescopes¶

作者: Elli Jobst, Lea Heckmann, Lukas Heinrich, David Paneque
分类: astro-ph.IM · astro-ph.HE
相关性 5/10 · novelty: application
摘要: 本文针对成像大气切伦科夫望远镜（IACT）在亚TeV能段灵敏度不足的问题，提出了一种端到端的视频视觉Transformer（Video Vision Transformer）重建方法。传统IACT分析依赖对记录的切伦科夫图像进行参数化和降维，在光子数稀少时丢失大量信息，导致小望远镜在亚TeV能段性能差。作者将每个事件视为短时电影，直接输入具有分解时空编码器的视频Transformer，用一个梯度归一化多任务损失网络同时完成伽马/强子分类、能量回归和方向回归。这是视频视觉Transformer首次应用于IACT数据。在模拟的紧凑望远镜数据集上，与优化后的标准分析相比，Transformer将能量阈值从0.22 TeV降低到0.07 TeV（降低约3倍），在0.2 TeV处有效收集面积增加3倍，伽马/强子分离AUC从0.80提升至0.91。在0.05 TeV处标准分析几乎失效，而Transformer的AUC提升了近两个数量级。该工作表明亚TeV能段的性能瓶颈主要来自分析方法而非硬件，为紧凑型低成本望远镜的时域天体物理观测开辟了新可能。作为一篇方法学驱动的天文仪器论文，它清晰展示了数据（短时电影）和模型（视频Transformer）的对接，适合作为统计学家了解IACT数据分析的入门读物。
关键技术: Video Vision Transformer, factorized spatio-temporal encoder, gradient-normalized multi-task loss, end-to-end reconstruction, Imaging Atmospheric Cherenkov Telescope (IACT)
为什么对您有用: 本文属于astrostats的gateway reading，适合作为统计学家进入IACT数据分析的入门。论文清晰阐述了数据结构（短时电影）、噪声特性（低光子计数）和模型（视频Transformer），对统计学家友好。武器库中的非参数统计和高维渐近理论可用于分析该方法的统计效率，但核心机器（视频Transformer的架构设计）不在武器库中，属于暂不可做。不过作为跨学科广度阅读，值得花时间读全文。

4. 2608.30503 — DINOspec: Efficient Multimodal Alignment of Vision and Spectral Foundation Models for Astronomy¶

作者: Erica Lastufka, Mariia Drozdova, Daniel Schaerer, Svyatoslav Voloshynovskiy
分类: astro-ph.IM
相关性 4/10 · novelty: application
摘要: 本文提出 DINOspec，一个用于天文学多模态数据（图像与光谱）表示对齐的轻量级框架。核心设定是：两个预训练好的基础模型（DINOv3 图像编码器与 AION-1 光谱分词器）的编码器被冻结，仅通过可训练的轻量适配器（adapter）和对比学习（contrastive learning）在 20,472 对图像-光谱数据上进行对齐。该方法无需重新训练编码器，仅训练最多 21M 参数。实验结果显示，对齐后的表示在星系形态分类（F1: 0.72→0.78）和光谱分类（F1: 0.70→0.74）上有提升，但光谱红移预测（R²≈0.9）未变，揭示了不同模态表示之间的非对称迁移特性。本文属于应用导向的方法论文献，方法学新颖性有限（novelty_flag: application），但作为天文学多模态学习的入门读物，清晰展示了数据结构和模型对齐的典型流程。
关键技术: contrastive learning, adapter tuning, frozen encoder alignment, multimodal representation learning, astronomical foundation models
为什么对您有用: 本文属于 astrostatistics 的 gateway reading：它清晰展示了天文学多模态数据（图像+光谱）的结构、噪声来源和模型对齐的典型 pipeline，适合作为统计学家进入该领域的入门读物。武器库中的非参数统计和软件工程经验足以理解其对比学习框架和适配器设计，但核心方法（预训练基础模型、对比学习）不在当前武器库的 very_familiar 或 moderately_familiar 中，因此属于暂不可做——需要先熟悉对比学习和基础模型微调的基本工具。不过，作为一篇入门级应用论文，值得花时间读全文以了解天文学数据建模的典型问题。

5. 2608.30594 — Learning Radio Astronomical Representations with LeJEPA and Very Small Models¶

作者: Erica Lastufka, Mariia Drozdova, Vitaliy Kinakh, Taras Holotyak, Miroslava Dessuages-Zavadsky, Daniel Schaerer, Svyatoslav Voloshynovskiy
分类: astro-ph.IM
相关性 4/10 · novelty: application
摘要: 本文研究如何为射电天文图像学习有效的表征，核心问题是：能否用小模型（约6M参数）通过自监督预训练达到大基础模型的性能。作者使用LeJEPA框架，在Radio Galaxy Zoo数据集上预训练，该框架通过潜在空间正则化避免坍塌，不依赖负样本对或数据增强。与对比学习等自监督方法相比，LeJEPA在三个射电星系形态分类数据集上表现相当或更优，且表征一致性更好。关键发现是：表征学习目标的选择比模型规模更重要，小领域模型可匹敌大基础模型的迁移性能。这对您作为统计学家而言，是一篇很好的入门级天文统计读物——清晰展示了天文图像数据的结构（噪声、形态类别、选择效应）和自监督学习的评估范式，武器库中的非参数统计和软件工程经验足以理解其方法，但本文无新统计方法贡献，属于应用评估。
关键技术: self-supervised learning, LeJEPA, representation learning, radio galaxy morphology classification, small vision models
为什么对您有用: 本文属于astrostats的gateway reading，适合作为入门读物：它清晰阐述了射电天文图像数据的结构（噪声、形态类别、选择效应）和自监督学习的评估范式，不假设读者有天文学背景。武器库中的非参数统计和软件工程经验足以理解其方法，但本文无新统计方法贡献，属于应用评估。值得花时间读全文以了解天文数据分析和自监督学习在科学图像上的应用现状。

经济理论 / 应用 (econ_theory, 2 篇)¶

1. 2608.31085 — Moments of Random Coefficients in Short Panels¶

作者: Irene Botosaru, James L. Powell
分类: econ.EM
相关性 7/10 · novelty: new_method
摘要: 本文研究短面板数据中随机系数矩的识别与估计问题，允许异质性系数个数超过每个个体观测到的方程数。在矩齐性假设下，不同回归变量历史对同一矩向量施加约束，作者给出了这些约束识别给定阶矩的充要条件，该条件以回归变量支撑生成的行空间表述。结果表明，即使无法恢复任何个体的系数，矩仍可能被识别；对于两个满行秩历史，精确刻画了因行空间重叠导致的独立约束损失。当支撑条件不满足时，建立了所维护模型中的不可识别性，并刻画了这些条件矩隐含的锐识别集。在二阶情形下，识别集由半正定协方差约束决定，且相对于结果与回归变量的联合分布是锐的。在支撑条件下，加权最小距离估计量是根号N渐近正态的；在条件非退化下，oracle广义逆加权达到了Chamberlain (1987) 条件矩模型的效率界。
关键技术: random coefficients, short panels, moment homogeneity, identified set, weighted minimum-distance estimation, semiparametric efficiency bound
为什么对您有用: 本文属于经济理论（面板数据随机系数模型）的应用性方法研究，与您的secondary interest 'economic theory'直接相关。其核心工具——条件矩识别与半参数效率界——与您武器库中'identification theory in causal inference'和'semiparametric theory'有概念上的可迁移性，但本文聚焦于面板数据而非因果推断，属于中期可做：需先在moderately_familiar的'semiparametric theory'上进一步熟悉条件矩模型的效率理论，才能将类似识别策略迁移到您的因果推断设定中。

2. 2608.31059 — When Can We Work in Embedding Space? What Text Embeddings Preserve¶

作者: Simon Freyaldenhoven
分类: econ.EM · cs.CL · stat.ML
相关性 6/10 · novelty: new_theory
摘要: 本文研究文本嵌入（text embeddings）在实证分析中作为输入的有效性条件。在文档由潜在主题混合生成的模型下，作者将“用低维嵌入替代原始文本”这一做法精确化为一个可检验的假设。核心贡献是：嵌入空间的聚类等价于对文档主题混合的聚类，而控制嵌入等价于控制主题混合，因此有效性归结为主题混合是否捕捉了混杂因素。方法上，论文给出了嵌入保持哪些信息（主题混合）以及丢失哪些信息（词序、句法等）的清晰理论刻画。实证部分使用LLM生成的363个美国都市区经济描述，发现基于嵌入的聚类比基于模型残差或传统行业人口协变量的聚类更能区分地方就业动态。对您而言，本文为因果推断中高维文本的控制问题提供了一个可操作的识别条件，连接了您的因果推断（高维混杂控制）和经济理论（应用数据集）兴趣。
关键技术: topic mixture model, text embeddings, clustering in embedding space, confounding control, generative model for documents
为什么对您有用: 本文直接连接您的经济理论（应用数据集）和因果推断（高维混杂控制）兴趣。它给出了一个清晰的理论框架：何时可以用文本嵌入代替原始文本进行因果推断——这正好是您武器库中“非参数统计”和“因果推断中的估计理论”可以切入的问题：例如，能否用您熟悉的minimax界来刻画嵌入维度与混杂控制精度之间的tradeoff？中期可做：需要先在“识别理论”上长肌肉（具体是：将本文的主题混合假设与proximal causal inference中的negative control假设建立形式化联系），然后可以设计一个基于嵌入的double robust估计量。

流行病学 (epidemiology, 1 篇)¶

1. 2608.30801 — From Test Performance to Risk-Based Effect Sizes: A Unified Wald-Type Framework to Design Clinical Validation Studies for Binary and Survival Outcomes¶

作者: Yongqi Zhong, Anne-Renee Hartman, Jing Zhang
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文针对预测性测试的临床验证研究，提出一个统一的 Wald 型框架，将传统的灵敏度 (Se)、特异度 (Sp) 和患病率 (π) 直接映射到风险比、风险差等回归效应尺度，并给出闭合形式的方差、功效和样本量公式。核心贡献在于建立了从 (Se, Sp, π) 到预测风险及其对比的解析链接，避免了为每个设计候选单独运行模拟。方法上基于 Wald 检验和 C-/D-最优设计原理，分析了患病率和阈值选择如何影响统计效率，支持初步研究中的快速决策。模拟显示在大多数现实场景下校准良好，但在事件罕见且效应极大时需要连续性或最小事件校正。案例研究使用冠状动脉钙化评分预测 2 型糖尿病患者的心血管疾病事件。该框架对您作为流行病学应用方向的研究者有用：它提供了一个可直接从诊断性能指标计算功效的解析工具，适合用于设计基于队列或病例对照数据的预测模型验证研究。
关键技术: Wald-type power formula, C-optimal design, D-optimal design, closed-form variance for risk ratio, continuity correction
为什么对您有用: 本文属于流行病学应用方向，直接连接您的 secondary interest 中的流行病学数据集和因果推断应用。您的武器库中 'estimation theory in causal inference' 和 'high-dimensional asymptotics' 可以用于分析其 Wald 型方差公式在更复杂协变量调整下的渐近性质，例如检验其公式在倾向性评分分层或逆概率加权下的稳健性。中期可做：需先在 moderately_familiar 的 'identification theory in causal inference' 上长肌肉，以理解其框架在非随机研究中的适用性。

其他 (other, 6 篇)¶

1. 2608.31047 — Posterior Geometry and Identifiability in Multi-Response Bayesian Calibration¶

作者: Anton van Beek, Adam. M Boyce, Will J. Dawson, James B. Robinson
分类: stat.ME
相关性 5/10 · novelty: application
摘要: 本文研究多响应贝叶斯校正在模型误设定下的后验几何与参数可识别性问题。校准参数与结构偏差在统计上不可区分，导致问题本质上是病态的。作者提出一个潜变量多响应校准模型，结合经验贝叶斯估计 nuisance 超参数与基于 Fisher 信息的局部高斯近似。针对平方指数和 Matérn 协方差函数推导出闭式表达式，揭示多响应相关性、潜对齐和输出特定不确定性如何影响局部后验几何。数值实验表明，增加响应提供互补的几何约束，而噪声建模可通过减少过度自信来改善不确定性量化，但不一定改进参数定位。锂离子电池案例研究进一步展示了模型如何区分强约束与弱约束参数。本文对您作为统计计算与不确定性量化方向的入门阅读有价值，但方法学新颖性有限，属于应用性工作。
关键技术: Bayesian calibration, Fisher information, posterior geometry, Gaussian process, empirical Bayes, model misspecification
为什么对您有用: 本文属于统计计算与不确定性量化方向，可作为 gateway reading 了解贝叶斯校准中的可识别性问题。武器库中的非参数统计与逆问题经验可帮助理解其高斯过程建模与 Fisher 信息分析，但核心方法（贝叶斯后验几何）并非您的主要兴趣方向。本文适合作为中期可读的入门材料，但无需深入跟进。

2. 2608.29619 — Adaptive Functional Clustering with Structured Dependence via Variational Inference¶

作者: Seojin Lee, Neulpum Jeong, Seonghyun Jeong
分类: stat.ME
相关性 4/10 · novelty: application
摘要: 本文提出一种自适应贝叶斯函数聚类方法，旨在解决现有方法需预设聚类数、缺乏平滑度自动控制以及忽略曲线内结构化依赖等局限。模型采用 Dirichlet 过程先验实现聚类数的自动推断，通过自适应平滑度控制灵活调整函数的光滑程度，并引入灵活的协方差结构刻画曲线内的相依性。为克服 MCMC 的计算瓶颈，作者采用变分推断进行后验近似，实现大规模数据的可扩展推断。该方法在模拟和真实数据上展示了优于传统函数聚类方法的性能。对您而言，本文属于函数型数据分析的贝叶斯方法，与您的主要兴趣方向（因果推断、高维统计等）关联较弱，但变分推断与结构化协方差建模的技术思路在统计计算领域有一定参考价值。
关键技术: Dirichlet process prior, variational inference, functional clustering, adaptive smoothness control, structured covariance modeling
为什么对您有用: 本文属于函数型数据分析的贝叶斯方法，与您的主要兴趣方向（因果推断、高维统计、U-统计量等）直接关联较弱。变分推断和结构化协方差建模在统计计算领域有参考价值，但核心问题设定（函数聚类）不在您的武器库核心范围内。作为 gateway reading 价值一般，不建议深入阅读。

3. 2608.30473 — Bounds on the Posterior-to-Prior Ratios for Inclusion Belief under Bounded Differential Privacy¶

作者: Jan Reiter S{\o}rensen (Center for Clinical Data Science, Aalborg University), Heidi S{\o}gaard Christensen (Center for Clinical Data Science, Aalborg University), Rasmus Rask Kragh J{\o}rgensen (Center for Clinical Data Science, Aalborg University, Department of Hematology, Aalborg University Hospital), Martin B{\o}gsted (Center for Clinical Data Science, Aalborg University)
机构: Aalborg University · Aalborg University Hospital
分类: math.ST · cs.CR · stat.TH
相关性 4/10 · novelty: application
摘要: 本文研究差分隐私（DP）机制下，攻击者关于个体是否包含在数据集中的信念（后验/先验比）的上下界。在 bounded 概率 DP 和近似 DP 框架下，假设攻击者拥有除目标个体外所有其他参与者的辅助信息（最坏情况），推导出后验-先验比的理论界限。由于这些界限可能以非零概率失效，作者专门针对高斯机制分析了失效概率，给出了理论上限，并通过蒙特卡洛模拟在广泛参数设置下验证。模拟显示实际失效概率比理论上限低数个数量级，表明理论上限非常保守。结论是 DP 机制在实践中的推断隐私保证可能远强于理论最坏情况暗示的水平。该论文主要属于隐私安全领域，与您的主要兴趣（因果推断、高维统计、U-统计等）无直接方法学联系，但可作为了解差分隐私推断保证的入门读物。
关键技术: differential privacy, posterior-to-prior ratio, Gaussian mechanism, worst-case adversary, Monte Carlo estimation
为什么对您有用: 本文属于隐私安全领域，与您的主要兴趣方向（因果推断、高维统计、U-统计等）无直接方法学连接。作为 gateway reading，它清晰阐述了 DP 的推断隐私含义，但武器库中缺乏差分隐私的核心工具（如 DP-SGD、composition theorems），暂不可做 follow-up。若您未来涉足隐私保护下的因果推断或统计计算，本文可作为背景阅读。

4. 2608.31138 — Scale Analysis and Shape Selection for the Generalized Gaussian Mechanism under Approximate Differential Privacy¶

作者: Xiang Zhang, Mohamedou Ould Haye, Yiqiang Q. Zhao
分类: math.ST · stat.ME · stat.TH
相关性 4/10 · novelty: new_method
摘要: 本文在近似差分隐私 (ε,δ)-DP 框架下研究广义高斯机制 (GGM) 的尺度参数估计与形状参数选择问题。GGM 是一类由形状参数 p 控制的加性噪声分布族，Laplace (p=1) 和 Gaussian (p=2) 是其特例。对于给定灵敏度向量 Δ 和 p∈[1,∞]，作者定义了满足隐私要求的最小尺度参数 b(p)，在一维情形下通过方程组隐式刻画，对向量值查询则构造了可计算且保持隐私保证的上界近似。在尺度齐次的效用准则（以 m 阶绝对矩为例）下比较不同形状的效用，并开发了区间式形状搜索算法，其近似精度可任意控制。理论部分还证明了最优形状在灵敏度向量重缩放下的不变性，以及高隐私极限下的渐近行为。计算实验表明，在保持相同隐私保护水平下，优化形状参数可使各坐标方差降低 5%–20%，部分情形降幅更大；任务特定实验进一步显示形状优化可提升任务效用、降低攻击者成功率或同时实现两者。本文属于差分隐私的机制设计，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学连接，但隐私保护下的统计推断是交叉方向，可作为背景阅读。
关键技术: Generalized Gaussian mechanism, approximate differential privacy, scale parameter estimation, shape parameter selection, interval-wise search algorithm
为什么对您有用: 本文属于差分隐私的机制设计，与您的主要兴趣（因果推断、高维统计、U-统计量等）无直接方法学连接。作为 gateway reading，本文对差分隐私的统计机制有清晰阐述，但武器库中缺乏差分隐私的核心工具（如 privacy loss distribution、Rényi DP 等），暂不可做 follow-up。若未来对隐私保护下的统计推断产生兴趣，可先通过本文入门。

5. 2608.30473 — Bounds on the Posterior-to-Prior Ratios for Inclusion Belief under Bounded Differential Privacy¶

作者: Jan Reiter S{\o}rensen (Center for Clinical Data Science, Aalborg University), Heidi S{\o}gaard Christensen (Center for Clinical Data Science, Aalborg University), Rasmus Rask Kragh J{\o}rgensen (Center for Clinical Data Science, Aalborg University, Department of Hematology, Aalborg University Hospital), Martin B{\o}gsted (Center for Clinical Data Science, Aalborg University)
机构: Aalborg University · Aalborg University Hospital
分类: math.ST · cs.CR · stat.TH
相关性 4/10 · novelty: new_method
摘要: 本文研究差分隐私（DP）机制下，攻击者关于个体是否包含在数据集中的后验信念相对于先验信念的变化界限。在 bounded 概率 DP 和近似 DP 框架下，推导了后验-先验比率的上下界。假设最坏情况攻击者拥有除一个个体外的全部辅助信息（all-but-one），所得界限适用于任意攻击者。由于这些界限可能以非零概率失效，进一步研究了高斯机制下的失效概率，给出了理论上限，并通过蒙特卡洛模拟验证了该上限高度保守，实际失效概率低数个数量级。结果表明，DP 机制提供的推断隐私保证在实践中可能远强于理论界限。
关键技术: differential privacy, posterior-to-prior ratio, Gaussian mechanism, worst-case adversary, Monte Carlo estimation
为什么对您有用: 本文属于隐私统计（privacy-preserving statistics）领域，与您的主要兴趣（因果推断、高维统计等）无直接方法学连接。作为 gateway reading，本文对 DP 的推断隐私解释清晰，但武器库中缺乏差分隐私的核心工具（如 advanced composition、Rényi DP），暂不可做。若您未来想进入隐私统计方向，本文可作为入门读物，但当前不值得花时间精读。

6. 2608.31138 — Scale Analysis and Shape Selection for the Generalized Gaussian Mechanism under Approximate Differential Privacy¶

作者: Xiang Zhang, Mohamedou Ould Haye, Yiqiang Q. Zhao
分类: math.ST · stat.ME · stat.TH
相关性 4/10 · novelty: new_method
摘要: 本文研究广义高斯机制（GGM）在近似差分隐私（(ε,δ)-DP）下的尺度参数估计与形状参数选择问题。广义高斯分布族由形状参数p控制，包含拉普拉斯（p=1）和高斯（p=2）作为特例。对于给定灵敏度向量Δ和p∈[1,∞]，作者定义了满足隐私要求的最小尺度参数b(p)，并在单变量情形下通过方程组隐式刻画了b(p)。对于向量值查询，构造了一个可计算且保持隐私保证的上界近似。在尺度齐次效用准则（以m阶绝对矩为例）下比较不同形状的效用，并开发了区间式形状搜索算法，其近似精度可任意控制。理论结果包括最优形状对灵敏度向量缩放的不变性以及高隐私极限下的渐近行为。实验表明，形状优化可在保持相同隐私保护水平下将各坐标方差降低5%–20%，部分情形降幅更大，且能改善任务级效用或降低攻击者成功率。
关键技术: Generalized Gaussian mechanism, differential privacy, scale parameter estimation, shape parameter selection, interval-wise search algorithm
为什么对您有用: 本文属于差分隐私的理论方法论文，与您的主要兴趣（因果推断、高维统计、半参理论）无直接交集，但其中关于尺度参数估计和形状优化的分析思路（如隐式方程刻画、可计算上界构造）对统计计算中的算法设计有一定参考价值。由于差分隐私并非您的核心或次级兴趣方向，且本文未涉及您武器库中的具体工具（如U-统计量、张量收缩、极小极大界），属于暂不可读的领域外论文。

🗂 其他论文（仅 LLM 评分，未生成摘要）¶

未生成中文摘要的论文，按 LLM 评分由高到低排列，仅保留评分与简评，便于回溯查全。一般为相关性低于展示阈值者；个别历史页也含当时因单日摘要上限未展开的高分篇目（评分仍清楚标着）。

1. 2608.28852 — A penalized logistic generalized regression estimator¶

作者: Grayson W. White, Kelly S. McConville, Cooper S. Schumacher
分类: stat.ME
相关性 3/10
评分理由: 聚焦于有限总体比例的惩罚估计，属于调查抽样领域，与主要研究兴趣关联较弱。

2. 2608.28888 — Bayesian model averaging of risk set probabilities using a geometric representation of multivariate extremes¶

作者: Elizabeth S. Lawler, Benjamin A. Shaby
分类: stat.ME · stat.AP
相关性 3/10
评分理由: 多元极值的贝叶斯模型平均，属于极值统计，与主要研究兴趣不直接相关。

3. 2608.29821 — A Generalized Ridge Regression and Convolutional LASSO¶

作者: Shintaro Yoshizawa
分类: stat.ME
相关性 3/10
评分理由: Generalized ridge regression and LASSO duality is unrelated to primary interests in causal inference or high-dimensional statistics.

4. 2608.29954 — Modelling compositional data with structural zero values¶

作者: Omar Alzeley, Michail Tsagris
分类: stat.ME
相关性 3/10
评分理由: Compositional data modeling is a niche area outside primary interests; no causal or high-dim overlap.

5. 2608.30093 — Robust K-means Clustering using the Density Power Divergence Measure¶

作者: Anirban Mondal, Paromita Banerjee, Abhijit Mandal
分类: stat.ME · stat.AP · stat.CO · stat.ML
相关性 3/10
评分理由: Robust clustering is tangential to primary interests; no causal inference or semiparametric theory.

6. 2608.30334 — Unconditional Finiteness of the Number of Critical Points of Gaussian Mixture Densities¶

作者: Akifumi Okuno
分类: math.ST · math.PR · stat.TH
相关性 3/10
评分理由: Critical points of Gaussian mixtures is a niche theoretical problem unrelated to primary interests.

7. 2608.30334 — Unconditional Finiteness of the Number of Critical Points of Gaussian Mixture Densities¶

作者: Akifumi Okuno
分类: math.ST · math.PR · stat.TH
相关性 3/10
评分理由: Critical points of Gaussian mixtures is a niche theoretical problem unrelated to primary interests.

8. 2608.28858 — 96 kHz on-sky imaging on an adaptive optics system with a single-photon avalanche diode¶

作者: Theodore A. Grosson, Maaike A. M. van Kooten, Kathryn Jackson, Jean-Pierre Veran, Simon Carrier
分类: astro-ph.IM
相关性 3/10
评分理由: 自适应光学成像技术，涉及探测器但无统计方法或数据建模，与研究者兴趣弱相关。

9. 2608.29593 — Self-calibration of adaptive optics systems. Application to the THEMIS solar telescope¶

作者: Clementine Bechet, Eric Thiebaut, Michel Tallon, Isabelle Tallon-Bosc, Bernard Gelly, Richard Douet
分类: astro-ph.IM
相关性 3/10
评分理由: 涉及加权最小二乘估计，但核心是光学系统校准，统计内容浅且非研究者领域。

10. 2608.30988 — METIS high-contrast imaging simulations: From instrument modelling to science readiness¶

作者: Gilles Orban de Xivry, Olivier Absil, Iain Hammond, Thomas Bertram, Roy van Boekel, Andr\'e Bon\'e, Ga\"el Chauvin, Valentin Christiaens, Denis Dolkens, Gilles Otten, Prashant Pathak, Nu\~no Pereira
分类: astro-ph.IM
相关性 3/10
评分理由: Simulation software for instrument performance; no real data or statistical inference problem.

11. 2608.29883 — Design of Experiment in Complex Systems based on Computational Taxonomy¶

作者: Eric Goldman, Fushing Hsieh
分类: stat.ME · stat.AP
相关性 2/10
评分理由: Design of experiment via computational taxonomy is unrelated to primary interests and lacks clear statistical methodology.

12. 2608.30805 — Aggregate Disambiguation Systems¶

作者: Jos\'e Mar\'ia Lago, Albert Castellana, Edgars Nem\v{s}e
分类: stat.ME · cs.AI
相关性 2/10
评分理由: 关于聚合消歧系统，与统计推断或因果推断无关，属于NLP/协议评估领域。

13. 2608.29781 — Sturm-Liouville-Type Parity and Oscillation of a Cubic Spline Eigenbasis¶

作者: Shih-Hao Huang, Jephian C. -H. Lin, ShengLi Tzeng, Tzu-Lun Yuan
分类: math.ST · stat.TH
相关性 2/10
评分理由: 样条矩阵的特征结构，与主要兴趣领域无关。

14. 2608.29781 — Sturm-Liouville-Type Parity and Oscillation of a Cubic Spline Eigenbasis¶

作者: Shih-Hao Huang, Jephian C. -H. Lin, ShengLi Tzeng, Tzu-Lun Yuan
分类: math.ST · stat.TH
相关性 2/10
评分理由: 样条矩阵的特征结构，与主要兴趣领域无关。

15. 2608.28804 — X-ray grating spectroscopy as a mission enhancement¶

作者: Hans Moritz Guenther, Ehud Behar, Joel N. Bregman, Laura W. Brenneman, Alexander R. Bruccoleri, L\'ia Corrales, Elisa Costantini, Thomas Dauser, Casey T. DeRoo, Abraham D. Falcone, Adam R. Foster, Luigi Gallo, Catherine E. Grant, Sean J. Gunderson, Ralf K. Heilmann, David P. Huenemoerder, Maurice Leutenegger, Eric D. Miller, Michael Nowak, Frits Paerels, David A. Principe, Ioanna Psaradaki, Andrew Ptak, Agata Rozanska, Randall K. Smith, Pasquale Temi, Todd M. Tripp, Lynne Valencic, Joern Wilms, Scott J. Wolk
分类: astro-ph.IM
相关性 2/10
评分理由: 纯天文学仪器提案，无数据/模型分析维度，不符合astrostats或general science的入门阅读标准。

16. 2608.28857 — Exploring the trade-space of distributed aperture telescopes for faint-object spectroscopy¶

作者: Theodore A. Grosson, Deborah M. Lokhorst, Alan W. McConnachie
分类: astro-ph.IM · astro-ph.GA
相关性 2/10
评分理由: 望远镜设计工程讨论，无统计或数据建模内容，与研究者兴趣无关。

17. 2608.29161 — How nanoscale physics shapes ice formation in the Universe: Rethinking gas freeze-out on dust grains¶

作者: Philippe Parent, Carine Laffon, Stefano Curiotto, Daniel Ferry, Caroline Stadler, Frederik Granzow Doktor
分类: astro-ph.IM · astro-ph.GA
相关性 2/10
评分理由: 天体物理中的冰形成纳米尺度物理，无数据/模型分析，不符合astrostats入门阅读标准。

18. 2608.30666 — On-sky demonstration of a vector Zernike wavefront sensor in a cascaded adaptive optics system¶

作者: M. Motte, V. Chambouleyron, R. F\'etick, F. Oyarzun, M. A. Alagao, A. Striffling, E. Vinerskas, J. -F. Sauvage, C. T. H\'eritier, E. Muslimov, M. Ciss\'e, A. Rahim, J. Kent Wallace, T. Wenger, B. Neichel, T. Fusco
分类: astro-ph.IM
相关性 2/10
评分理由: Pure instrumentation paper on adaptive optics; no statistical methodology or data/model dimension relevant to the researcher.

19. 2608.30781 — Radio measurements of air showers with the IceCube-Gen2 surface prototype station at the Pierre Auger Observatory¶

作者: Stef Verpoest, or the IceCube-Gen2 Collaboration, for the Pierre Auger Collaboration
分类: astro-ph.IM · astro-ph.HE
相关性 2/10
评分理由: Instrumentation and detector design for cosmic-ray observatory; no statistical or data-analysis content.

20. 2608.31031 — The Auger Radio Infill SKALA Extension (ARISE): Science Case and Instrumentation (ARENA 2026)¶

作者: oder for the Pierre Auger Collaboration
分类: astro-ph.IM · astro-ph.HE
相关性 2/10
评分理由: Detector deployment description; no statistical methodology or data analysis.

21. 2608.31153 — Slysh haloes: the waste heat of cold computing as a submillimetre technosignature¶

作者: Michael Garrett (University of Manchester, Leiden University, Univ. of Malta)
机构: University of Malta
分类: astro-ph.IM · physics.pop-ph
相关性 2/10
评分理由: 主题为外星文明技术特征，与研究者主要或次要兴趣均无关联。

22. 2608.28918 — Pre-shipment optical characterization of the SCALES instrument¶

作者: Isabel J. Kain, Reni Kupke, Daren Dillon, R. Deno Stelter, Rosalie McGurk, Gwendolin Weber-Stover, Athira Unni, Marc Kassis, Scott Lilley, Peyton Benac, Mackenzie Lach, Arun Surya, Amirul Hasan, Ravinder Banyal, Raquel Martinez, Nicholas MacDonald, Will Deich, Aaron Hunter, Emily Plume, Michael Gonzales, Cristian Rodriguez, Arjun Kumar, Cyril Bourgenot, Paul Whiteg, Juergen Schmollg, James Wells, Spencer Davies, David Bramall, Dimitri Mawet, Olivier Absil, Michael Fitzgerald, Eric Wang, Steph Sallum, Andrew Skemer
分类: astro-ph.IM · astro-ph.EP
相关性 1/10
评分理由: 系外行星光谱仪器的光学表征，纯仪器工程，无统计或数据维度。

23. 2608.29050 — First overnight balloon flight of the GRAINE 2023 emulsion gamma-ray telescope enabled by a large-scale pressure-vessel gondola¶

作者: Hiroki Rokujo, Shigeki Aoki, Takashi Azuma, Hirotaka Hayashi, Yudai Isayama, Atsushi Iyono, Takumi Kato, Tsuyoshi Kawahara, Koichi Kodama, Ryosuke Komatani, Masahiro Komatsu, Masahiro Komiyama, Hideyuki Minami, Kunihiro Morishima, Fumiya Murakami, Shogo Nagahara, Naotaka Naganawa, Mitsuhiro Nakamura, Tomoaki Nakamura, Yuya Nakamura, Noboru Nakano, Toshiyuki Nakano, Kazuma Nakazawa, Miyuki Oda, Kazuhiro Okamoto, Osamu Sato, Kai Shimizu, Amon Suganami, Yuki Sugi, Kou Sugimura, Satoru Takahashi, Ikuya Usuda, Saya Yamamoto, Jun Yamashita, Mayu Yamashita, Shoma Yoneno, Masahiro Yoshimoto
分类: astro-ph.IM
相关性 1/10
评分理由: 气球载伽马射线望远镜飞行实验，纯工程报告，无统计或数据建模内容。

24. 2608.29370 — Characterization of the stabilized nulling interferometry testbed PERS\'EE¶

作者: Julien Lozi
分类: astro-ph.IM
相关性 1/10
评分理由: 纯天文仪器工程论文，无统计或数据建模内容，与研究者兴趣无关。

25. 2608.29572 — AO3k + SCExAO: on-sky wavefront quality and demonstration of novel WFS techniques with the double XAO system¶

作者: Julien Lozi, Kyohoon Ahn, Vincent Deo, Olivier Guyon, Sandrine Juillard, Yoshito Ono, Garima Singh, S\'ebastien Vievard
分类: astro-ph.IM
相关性 1/10
评分理由: 自适应光学系统升级报告，纯工程描述，无统计方法或数据建模。

26. 2608.31042 — Feasibility of Capillary-Driven Orbital Liquid Mirror Telescopes¶

作者: Janoad Dietrich, \'Alvaro Romero-Calvo
分类: astro-ph.IM · physics.flu-dyn · physics.space-ph
相关性 1/10
评分理由: Engineering feasibility study for liquid mirror telescopes; unrelated to any research interest.

27. 2608.31160 — Ad Astra White Paper: A Pitch for the Next 25 Years of NASA's Physics of the Cosmos Program¶

作者: Eric Burns, Ivan Agullo, Igor Andreoni, Catherine M. Deibel, Christopher L. Fryer, Natasha Latouf, M. Coleman Miller, Jillian C. Rastinejad, Breann N. Sitarski, Zorawar Wadiasingh
分类: astro-ph.IM · astro-ph.CO · astro-ph.HE
相关性 1/10
评分理由: NASA项目规划白皮书，无具体数据或统计方法，与研究者兴趣无关。

28. 2608.31161 — Agentic research is oxymoronic¶

作者: Natalie B. Hogg
分类: astro-ph.IM
相关性 1/10
评分理由: 关于AI科研的评论文章，无统计内容，与研究者兴趣无关。

29. 2608.29668 — Microchannel plate detector development for ultraviolet astronomy¶

作者: S. Diebold, J. Barnstedt, J. Bayer, L. Conti, H. R. Elsener, C. Kalkuhl, D. Rau, D. Schaadt, T. Schanz, B. Stelzer, K. Werner
分类: astro-ph.IM
相关性 0/10
评分理由: 紫外探测器硬件开发，无任何统计或数据科学内容。

30. 2608.29743 — Soft proton experiments supporting the development of astronomical X-ray instrumentation¶

作者: S. J. Diebold, B. He{\ss}, F. Pfeifle, L. Ph. H. Schmidt, C. Tenzer, T. Wildfang, D. Ferreira, M. Freyberg, S. Massahi, D. Paredes-Sanz, E. Perinati, A. Santangelo, B. Stelzer, S. Svendsen
分类: astro-ph.IM
相关性 0/10
评分理由: X射线仪器软质子实验，纯硬件与辐射物理，无统计建模。

31. 2608.30080 — CRUX: A topology-aware load balancer for mesh-based fluid dynamics codes on GPU clusters¶

作者: M. T. P. Liska, C. Crozier
分类: astro-ph.IM
相关性 0/10
评分理由: GPU集群上的流体动力学负载均衡，纯计算工程，无统计内容。

Maintained by 陈星宇 · Homepage · Source on GitHub